CN111639164A - 问答系统的问答匹配方法、装置、计算机设备及存储介质 - Google Patents

问答系统的问答匹配方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN111639164A
CN111639164A CN202010364727.3A CN202010364727A CN111639164A CN 111639164 A CN111639164 A CN 111639164A CN 202010364727 A CN202010364727 A CN 202010364727A CN 111639164 A CN111639164 A CN 111639164A
Authority
CN
China
Prior art keywords
question
concept
answer
sequence
optimal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010364727.3A
Other languages
English (en)
Inventor
蒙元
许双华
王涵暄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Property and Casualty Insurance Company of China Ltd
Original Assignee
Ping An Property and Casualty Insurance Company of China Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Property and Casualty Insurance Company of China Ltd filed Critical Ping An Property and Casualty Insurance Company of China Ltd
Priority to CN202010364727.3A priority Critical patent/CN111639164A/zh
Publication of CN111639164A publication Critical patent/CN111639164A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33Querying
    • G06F16/332Query formulation
    • G06F16/3329Natural language query formulation or dialogue systems
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33Querying
    • G06F16/3331Query processing
    • G06F16/334Query execution
    • G06F16/3344Query execution using natural language analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33Querying
    • G06F16/3331Query processing
    • G06F16/334Query execution
    • G06F16/3346Query execution using probabilistic model

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请实施例属于人工智能领域,涉及一种问答系统的问答匹配方法,包括构建问答匹配系统的动态规划模型,在接收到用户问句时,基于所述动态规划模型提取所述用户问句的概念关键词;匹配所述概念关键词与知识库中存储的概念,确定所述概念关键词对应的最优概念序列;获取在所述知识库中预先存储的标准概念序列,匹配所述最优概念序列与所述标准概念序列,得到所述用户问句对应的标准答案。此外,本申请还涉及区块链技术,所述标准答案可存储于区块链中。本申请实现了对最优关键词的快速获取,使得通过该最优关键词能快速匹配到当前用户问句对应的正确答案,提高了问答系统的匹配效率及正确率。

Description

问答系统的问答匹配方法、装置、计算机设备及存储介质
技术领域
本申请涉及人工智能技术领域,尤其涉及一种问答系统的问答匹配方法、装置、计算机设备及存储介质。
背景技术
当前,在自然语言处理或信息挖掘领域中,问答匹配是一个重要研究方向,也是一个重要的发展趋势。基于自动对话与问答匹配计算的人工智能机器人客服能完成大部分简单的问答对话,然而在更高阶的复杂逻辑对话中,则仍需要人工的辅助判断。在传统的对话系统中,当前的客服机器人并不能满足多轮对话所需求的准确率。
传统的问答匹配系统通常采用端到端的架构,大多数基于全文检索系统和深度语义的模型。端到端的模型架构构造简单直接,大参数模型泛化能力好。然而,这种架构容易导致模型黑盒不可控制,风险不可预知,任务精度拆解困难,最终导致在实现问答匹配时,匹配准确率低下的技术问题。
发明内容
本申请实施例的目的在于提出一种问答系统的问答匹配方法、装置、计算机设备及存储介质,旨在解决当前问答系统的问答匹配准确率低下的技术问题。
为了解决上述技术问题,本申请实施例提供一种问答系统的问答匹配方法,采用了如下所述的技术方案:
一种问答系统的问答匹配方法,包括以下步骤:
构建问答匹配系统的动态规划模型,在接收到用户问句时,基于所述动态规划模型提取所述用户问句的概念关键词;
匹配所述概念关键词与知识库中存储的概念,确定所述概念关键词对应的最优概念序列;
获取在所述知识库中预先存储的标准概念序列,匹配所述最优概念序列与所述标准概念序列,得到所述用户问句对应的标准答案。
进一步的,所述构建问答匹配系统的动态规划模型的步骤的步骤包括:
获取多组概念训练数据,根据所述概念训练数据确定对应的损失函数;
根据所述损失函数计算对应的最优化目标函数;
根据所述最优化目标函数,构建问答匹配系统的动态规划模型。
进一步的,所述根据所述最优化目标函数,构建问答匹配系统的动态规划模型的步骤包括:
获取所述概念训练数据对应的状态转移方程;
根据所述最优化目标函数和所述状态转移方程,构建问答匹配系统的动态规划模型。
进一步的,所述确定所述概念关键词对应的最优概念序列的步骤包括:
获取所述概念关键词对应的发射概率;
根据所述发射概率,确定所述概念关键词对应的最优概念序列。
进一步的,所述根据所述发射概率,确定所述概念关键词对应的最优概念序列的步骤包括:
获取知识库中概念对应的序列转移概率;
根据所述发射概率及所述序列转移概率,确定所述概念关键词对应的最优概念序列。
进一步的,所述根据所述发射概率及所述序列转移概率,确定所述概念关键词对应的最优概念序列的步骤包括:
根据所述发射概率及所述序列转移概率,计算联合概率;
在所述联合概率取最大值时,得到的概念序列为最优概念序列。
进一步的,所述匹配所述最优概念序列与标准概念序列,得到所述用户问句对应的标准答案的步骤包括:
获取所述最优概念序列与所述标准概念序列的相似度;
根据所述相似度对所述标准概念序列进行排序,确定相似度最高的标准概念序列对应的答案为所述用户问句的标准答案,所述标准答案可存储于区块链中。
为了解决上述技术问题,本申请实施例还提供一种问答系统的问答匹配装置,采用了如下所述的技术方案:
提取模块,用于构建问答匹配系统的动态规划模型,在接收到用户问句时,基于所述动态规划模型提取所述用户问句的概念关键词;
确认模块,用于匹配所述概念关键词与知识库中存储的概念,确定所述概念关键词对应的最优概念序列;
匹配模块,用于获取在所述知识库中预先存储的标准概念序列,匹配所述最优概念序列与所述标准概念序列,得到所述用户问句对应的标准答案,所述标准答案可存储于区块链中。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,包括存储器和处理器,以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述问答系统的问答匹配方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述问答系统的问答匹配方法的步骤。
上述问答系统的问答匹配方法、装置、计算机设备及存储介质,通过构建问答匹配系统的动态规划模型,在接收到用户问句时,基于动态规划模型提取所述用户问句的概念关键词,其中,一个用户问句可能得到多种不同的关键词组合,该概念关键词则为当前用户问句对应的最优的关键词;匹配所述概念关键词与知识库中存储的概念,确定所述概念关键词对应的最优概念序列,该最优概念序列则为当前用户问句的概念关键词匹配知识库中概念,得到的概念序列的最优组合;获取在所述知识库中预先存储的标准概念序列,匹配所述最优概念序列与所述标准概念序列,即可得到最优概念序列与标准概念序列的相似度,根据该相似度进行标准概念序列的筛选,则可得到所述用户问句对应的标准答案,由此则解决了当前问答系统问答匹配准确率低下的技术问题。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图;
图2为问答系统的问答匹配方法的一个实施例的流程示意图;
图3是根据本申请的问答系统的问答匹配装置的一个实施例的结构示意图;
图4是根据本申请的计算机设备的一个实施例的结构示意图。
附图标记:问答系统的问答匹配装置500,提取模块510,确认模块520,匹配模块530。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本申请的目的、技术方案及优点更加清楚明白,下面结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的问答系统的问答匹配方法一般由服务端/终端执行,相应地,问答系统的问答匹配装置一般设置于服务端/终端设备中。
应该理解,图1中的终端、网络和服务端的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的问答系统的问答匹配方法的一个实施例的流程图。所述问答系统的问答匹配方法,包括以下步骤:
步骤S200,构建问答匹配系统的动态规划模型,在接收到用户问句时,基于所述动态规划模型提取所述用户问句的概念关键词;
在问答系统中,动态规划模型为预先构建的模型,基于该动态规划模型可以对用户问句的概念关键词进行提取。其中,该概念关键词为用户问句的最优关键词。如“撞车了”为一个概念关键词,“车祸”则为一个概念,在问答系统对应的知识库中预先存储有多个概念,以及概念的下位词,如“车”为一个概念,“摩托车”则为一个下位概念。多个概念之间相互组合,则能组合成一个组合概念,并且多个概念之间不同的搭配方式,也能得到多种不同的组合概念。一个用户问句的关键词可以有n2种组合方式,这些关键词只有部分被知识库所包含。因此,在接收到用户问句时,则需要对该用户问句的概念关键词进行提取,使得提取得到的概念关键词能够尽量多的属于知识库。基于动态规划模型可以对接收到的用户问句进行概念关键词的提取,其中,动态规划模型为基于概念关键词的抽取所提出的最优化求解模型。根据构建得到的动态规划模型中的最优化目标函数及状态转移方程计算,则可以抽取到用户问句对应的概念关键词。
步骤S300,匹配所述概念关键词与知识库中存储的概念,确定所述概念关键词对应的最优概念序列;
最优概念序列为当前用户问句的概念关键词匹配知识库中概念,得到的概念序列的最优组合。在获取到用户问句对应的概念关键词时,该概念关键词可能对应知识库中多个不同的概念,而每个不同的概念可能对应不同的概念关键词。因此,获取该概念关键词对应的概念与概念之间的序列转移概率,以及每个概念关键词对应概念的发射概率,根据该序列转移概率和概念关键词建立HMM(Hidden Markov Model,隐马尔可夫模型),基于该HMM模型确定概念关键词对应的最优概念序列。其中,HMM模型为一种统计模型,用于描述一个含有未知参数的马尔可夫过程,将根据该发射概率及序列转移概率求解最优概念序列的问题抽象为一个HMM模型。根据该HMM模型即可确定概念关键词对应知识库中概念的最优组合,即最优概念序列。具体地,根据该HMM模型可以求得在发射概率与序列转移概率对应的联合概率。在该联合概率为最大时,得到的概念序列即为最优概念序列。
步骤S400,获取在所述知识库中预先存储的标准概念序列,匹配所述最优概念序列与所述标准概念序列,得到所述用户问句对应的标准答案。
在得到最优概念序列时,匹配该最优概念序列与标准概念序列,其中,该标准概念序列为知识库中预先存储的概念序列。计算该最优概念序列与该标准概念序列的相似度,根据该相似度,确定与该最优概念序列匹配度最大的标准概念序列。该匹配度最大的标准概念序列对应的答案即为当前用户问句对应的标准答案。
在本实施例中,实现了对最优关键词的快速获取,使得通过该最优关键词能快速匹配到当前用户问句对应的正确答案,提高了问答系统的匹配效率及正确率。并在获取最优关键词时通过最优化算法,避免使用统计类算法的时候增加的不必要的泛化能力,将一些不属于概念的关键词包括进来,易于边界控制,提高了模型处理精度,易于调整,可延展性高,
在本申请的一些实施例中,步骤S200,包括:
获取多组概念训练数据,根据所述概念训练数据确定对应的损失函数;
根据所述损失函数计算对应的最优化目标函数;
根据所述最优化目标函数,构建问答匹配系统的动态规划模型。
在问答匹配系统中,需要对动态规划模型进行预先的构建,从而根据该动态规划模型提取用户问句对应的概念关键词。该动态规划模型的构建则需要预先采集多组概念训练数据,其中,该概念训练数据中的问句与概念关键词则为一组概念训练数据。根据该概念训练数据确定当前概念关键词提取问题对应的损失函数,也为该概念训练数据对应的损失函数。该损失函数为问句对应的字符串是否在知识库里的sign函数。根据该损失函数计算则可以确定对应的最优化目标函数。该损失函数及该最优化目标函数如下所示:
Figure BDA0002476178410000081
cut=argminK,cutkcost(strcut[k])*len(strcut[k])
其中,cost函数为用户问句对应的概念是否在知识库里面的sign(符号)函数,若用户问句对应的概念在数据库中,则该cost函数取负号,用-1表示;若用户问句的关键词不在数据库中,则该cost函数取正号,用1表示。该cost函数可根据关键词的复杂度对应不同的表达方式。len(strcut[k])为第k个切片对应的字符串的长度,cut[k]为显示第k个字段的内容。
在获取到该最优化目标函数时,通过该最优化目标函数则可确定问答匹配系统中的动态规划模型。即基于获取到的多组概念训练数据,投入到该最优化目标函数中对该最优化目标函数进行训练,训练得到复杂度符合预期要求的最优化目标函数即为符合该动态规划模型中求解要求的目标函数。
在本实施例中,实现了根据最优化目标函数对动态规划模型的创建,避免了模型一些不必要的泛化能力,提高了模型精度,进一步提高了用户问句的概念关键词的提取效率及准确率。
在本申请的一些实施例中,上述根据所述最优化目标函数,构建问答匹配系统的动态规划模型的步骤包括:
获取所述概念训练数据对应的状态转移方程;
根据所述最优化目标函数和所述状态转移方程,构建问答匹配系统的动态规划模型。
在构建动态规划模型时,还需要获取概念训练数据对应的状态转移方程。在动态规划中,本阶段的状态通常是由上一阶段状态和上一阶段决策的结果,根据给定的第K阶段的状态及决策,则第k+1阶段的状态也可以由此确定。用于表示前后阶段关系的方程,即为状态转移方程。通过状态转移方程即可推动动态规划模型中对问题的求解。
具体的,该状态转移方程为:
sum_costk(str[0,j])=minisum_costk-1(str[0,i])+cost(str[i,j])*(j-i)
其中,k表示第k个阶段,k-1表示k的前一个阶段,sum_costk(str[0,j])表示第k阶段的总成本,表示第k-1阶段的最小总成本;表示第k个阶段到第k-1阶段的损失成本。
在本实施例中,实现了对动态规划模型中状态转移方程的确定,使得用户问句的复杂度较低,进一步提高了对用户问句对应概念关键词提取的效率。
在本申请的一些实施例中,步骤S300,包括:
获取所述概念关键词对应的发射概率;
根据所述发射概率,确定所述概念关键词对应的最优概念序列。
发射概率为概念关键词对应知识库中概念的概率,在得到概念关键词时计算该发射概率,根据该发射概率,对当前用户问句对应的最优概念序列进行计算。其中,最优概念序列为当前用户问句的概念关键词匹配知识库中概念,得到的概念序列的最优组合。在得到该发射概率时,可通过该发射概率建立HMM(Hidden Markov Model,隐马尔可夫模型),根据该HMM模型即可确定该概念关键词对应的最优概念序列。
在本实施例中,实现了对概念关键词对应的最优概念序列的精确计算,进一步提高了对获取到的用户问句对应的匹配答案的准确率。
在本申请的一些实施例中,上述根据所述发射概率,确定所述概念关键词对应的最优概念序列包括:
获取知识库中概念对应的序列转移概率;
根据所述发射概率及所述序列转移概率,确定所述概念关键词对应的最优概念序列。
序列转移概率为概念关键词对应的知识库中概念与概念之间的转移概率,如Cn表示概念关键词对应知识库中的第n个概念,Cn-1为概念关键词对应知识库中的第n-1个概念,则P(Cn|Cn-1)即为序列转移概率。在得到该序列转移概率时,基于该序列转移概率及发射概率通过计算即可得到概念关键词对应的最优概念序列。具体地,在得到序列转移概率及发射概率时,根据该序列转移概率及发射概率,对该概念关键词的联合概率进行计算,其中,该计算方式为预设计算方式,如对该序列转移概率与发射概率进行乘积计算,或加法计算等。在计算得到该联合概率时,根据该联合概率即可确定当前概念关键词对应的最优概念序列。
在本实施例中,实现了对概念关键词对应的最优概念序列的确定,进一步地实现了根据该最优概念序列得到当前用户问句对应的匹配答案的准确率,提高了模型计算精度。
在本申请的一些实施例中,上述根据所述发射概率及所述序列转移概率,确定所述概念关键词对应的最优概念序列包括:
根据所述发射概率及所述序列转移概率,计算联合概率;
在所述联合概率取最大值时,得到的概念序列为最优概念序列。
在确定概念关键词对应的发射概率,以及序列转移概率时,则根据该发射概率和序列转移概率计算联合概率。其中,该联合概率的计算公式如下所示:
P(x1,x2,...,xn,c1,c2,...,xn)=P(x1|c1)P(c2|c1)P(x2|c2)...P(xn|cn)P(cn|cn-1)
其中,P(x1,x2,...,xn,c1,c2,...,xn)表示联合概率,xn表示第n个概念关键词,cn表示第n个概念关键词对应的概念,P(cn|cn-1)为序列转移概率,P(xn|cn)为发射概率。在得到该联合概率时,则需要确定在该联合概率取最大时概念关键词对应概念的最优概念序列。基于viterbi算法可以确定在该联合概率取最大值时,概念关键词对应知识库中的概念的最优组合,即最优概念序列。其中,viterbi算法为用于寻找最有可能产生观测事件序列的-维特比路径-隐含状态序列。在通过发射概率及序列转移概率构建的HMM模型中,通过该viterbi算法即可计算得到,在联合概率取最大时概念关键词对应知识库中概念的最优组合。由此,即可得到该概念关键词对应的最优概念序列。
在本实施例中,实现了根据联合概率对最优概念序列的确定,提高了模型计算的准确率及效率,节省了问答系统的问答匹配时长。
在本申请的一些实施例中,步骤S400包括:
获取所述最优概念序列与所述标准概念序列的相似度;
根据所述相似度对所述标准概念序列进行排序,确定相似度最高的标准概念序列对应的答案为所述用户问句的标准答案,所述标准答案可存储于区块链中。
相似度为最优概念序列与标准概念序列的相似度。在获取到最优概念序列时,匹配该最优概念序列与知识库中的标准概念序列,由此得到该最优概念序列与每个标准概念序列之间的相似度。根据该相似度对知识库中的标准概念序列进行从大到小的排序,排序中最前的标准概念序列即为与最优概念序列相似度最大的标准概念序列。获取该排序中最前的标准概念序列对应的答案,确定该答案为用户问句的标准答案。需要强调的是,为进一步保证上述标准答案的私密和安全性,上述标准答案还可以存储于一区块链的节点中。在本实施例中,实现了对相似度最大的标准概念序列的确定,从而根据该标准概念序列精确获取到当前用户问句对应的标准答案,即匹配答案,节省了问答系统的匹配时长,提高了问答系统的匹配准确率及效率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3,作为对上述图2所示方法的实现,本申请提供了一种问答系统的问答匹配装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,本实施例所述的问答系统的问答匹配装置500包括:
提取模块510,用于建问答匹配系统的动态规划模型,在接收到用户问句时,基于所述动态规划模型提取所述用户问句的概念关键词;
其中,所述提取模块包括:
第一获取单元,用于获取多组概念训练数据,根据所述概念训练数据确定对应的损失函数;
计算单元,用于根据所述损失函数计算对应的最优化目标函数;
构建单元,用于根据所述最优化目标函数,构建问答匹配系统的动态规划模型。
其中,构建单元包括:
第二获取单元,用于获取所述概念训练数据对应的状态转移方程;
构建子单元,用于根据所述最优化目标函数和所述状态转移方程,构建问答匹配系统的动态规划模型。
在问答系统中,动态规划模型为预先构建的模型,基于该动态规划模型可以对用户问句的概念关键词进行提取。其中,该概念关键词为用户问句的最优关键词。如“撞车了”为一个概念关键词,“车祸”则为一个概念,在问答系统对应的知识库中预先存储有多个概念,以及概念的下位词,如“车”为一个概念,“摩托车”则为一个下位概念。多个概念之间相互组合,则能组合成一个组合概念,并且多个概念之间不同的搭配方式,也能得到多种不同的组合概念。一个用户问句的关键词可以有n2种组合方式,这些关键词只有部分被知识库所包含。因此,在接收到用户问句时,则需要对该用户问句的概念关键词进行提取,使得提取得到的概念关键词能够尽量多的属于知识库。基于动态规划模型可以对接收到的用户问句进行概念关键词的提取,其中,动态规划模型为基于概念关键词的抽取所提出的最优化求解模型。根据构建得到的动态规划模型中的最优化目标函数及状态转移方程计算,则可以抽取到用户问句对应的概念关键词。
确认模块520,用于匹配所述概念关键词与知识库中存储的概念,确定所述概念关键词对应的最优概念序列;
其中,所述确认模块包括:
第三获取单元,用于获取所述概念关键词对应的发射概率;
第一确认单元,用于根据所述发射概率,确定所述概念关键词对应的最优概念序列。
其中,第一确认单元包括:
第四获取单元,用于获取知识库中概念对应的序列转移概率;
第二确认单元,用于根据所述发射概率及所述序列转移概率,确定所述概念关键词对应的最优概念序列。
其中,第二确认单元包括:
计算子单元,用于根据所述发射概率及所述序列转移概率,计算联合概率;
确认子单元,用于在所述联合概率取最大值时,得到的概念序列为最优概念序列。
最优概念序列为当前用户问句的概念关键词匹配知识库中概念,得到的概念序列的最优组合。在获取到用户问句对应的概念关键词时,该概念关键词可能对应知识库中多个不同的概念,而每个不同的概念可能对应不同的概念关键词。因此,获取该概念关键词对应的概念与概念之间的序列转移概率,以及每个概念关键词对应概念的发射概率,根据该序列转移概率和概念关键词建立HMM(Hidden Markov Model,隐马尔可夫模型),基于该HMM模型确定概念关键词对应的最优概念序列。其中,HMM模型为一种统计模型,用于描述一个含有未知参数的马尔可夫过程,将根据该发射概率及序列转移概率求解最优概念序列的问题抽象为一个HMM模型。根据该HMM模型即可确定概念关键词对应知识库中概念的最优组合,即最优概念序列。具体地,根据该HMM模型可以求得在发射概率与序列转移概率对应的联合概率。在该联合概率为最大时,得到的概念序列即为最优概念序列。
匹配模块530,用于获取在所述知识库中预先存储的标准概念序列,匹配所述最优概念序列与所述标准概念序列,得到所述用户问句对应的标准答案,所述标准答案可存储于区块链中。
其中,所述匹配模块包括:
第五获取单元,用于获取所述最优概念序列与所述标准概念序列的相似度;
第三确认单元,用于根据所述相似度对所述标准概念序列进行排序,确定相似度最高的标准概念序列对应的答案为所述用户问句的标准答案,所述标准答案可存储于区块链中。
在得到最优概念序列时,匹配该最优概念序列与标准概念序列,其中,该标准概念序列为知识库中存储的概念序列。计算该最优概念序列与该标准概念序列的相似度,根据该相似度,确定与该最优概念序列匹配度最大的标准概念序列。该匹配度最大的标准概念序列对应的答案即为当前用户问句对应的标准答案。需要强调的是,为进一步保证上述标准答案的私密和安全性,上述标准答案还可以存储于一区块链的节点中。
在本实施例中,实现了对最优关键词的快速获取,使得通过该最优关键词能快速匹配到当前用户问句对应的正确答案,提高了问答系统的匹配效率及正确率。并在获取最优关键词时通过最优化算法,避免使用统计类算法的时候增加的不必要的泛化能力,将一些不属于概念的关键词包括进来,易于边界控制,提高了模型处理精度,易于调整,可延展性高。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图4,图4为本实施例计算机设备基本结构框图。
所述计算机设备6包括通过系统总线相互通信连接存储器61、处理器62、网络接口63。需要指出的是,图中仅示出了具有组件61-63的计算机设备6,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器61至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器61可以是所述计算机设备6的内部存储单元,例如该计算机设备6的硬盘或内存。在另一些实施例中,所述存储器61也可以是所述计算机设备6的外部存储设备,例如该计算机设备6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器61还可以既包括所述计算机设备6的内部存储单元也包括其外部存储设备。本实施例中,所述存储器61通常用于存储安装于所述计算机设备6的操作系统和各类应用软件,例如问答系统的问答匹配方法的程序代码等。此外,所述存储器61还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器62在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器62通常用于控制所述计算机设备6的总体操作。本实施例中,所述处理器62用于运行所述存储器61中存储的程序代码或者处理数据,例如运行所述问答系统的问答匹配方法的程序代码。
所述网络接口63可包括无线网络接口或有线网络接口,该网络接口63通常用于在所述计算机设备6与其他电子设备之间建立通信连接。
本实施例提出的计算机设备,实现了对最优关键词的快速获取,使得通过该最优关键词能快速匹配到当前用户问句对应的正确答案,提高了问答系统的匹配效率及正确率。并在获取最优关键词时通过最优化算法,避免使用统计类算法的时候增加的不必要的泛化能力,将一些不属于概念的关键词包括进来,易于边界控制,提高了模型处理精度,易于调整,可延展性高。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有问答系统的问答匹配程序,所述问答系统的问答匹配程序可被至少一个处理器执行,以使所述至少一个处理器执行如上述的问答系统的问答匹配方法的步骤。
本实施例提出的计算机可读存储介质,实现了对最优关键词的快速获取,使得通过该最优关键词能快速匹配到当前用户问句对应的正确答案,提高了问答系统的匹配效率及正确率。并在获取最优关键词时通过最优化算法,避免使用统计类算法的时候增加的不必要的泛化能力,将一些不属于概念的关键词包括进来,易于边界控制,提高了模型处理精度,易于调整,可延展性高。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。

Claims (10)

1.一种问答系统的问答匹配方法,其特征在于,包括下述步骤:
构建问答匹配系统的动态规划模型,在接收到用户问句时,基于所述动态规划模型提取所述用户问句的概念关键词;
匹配所述概念关键词与知识库中存储的概念,确定所述概念关键词对应的最优概念序列;
获取在所述知识库中预先存储的标准概念序列,匹配所述最优概念序列与所述标准概念序列,得到所述用户问句对应的标准答案。
2.根据权利要求1所述的问答系统的问答匹配方法,其特征在于,所述构建问答匹配系统的动态规划模型的步骤包括:
获取多组概念训练数据,根据所述概念训练数据确定对应的损失函数;
根据所述损失函数计算对应的最优化目标函数;
根据所述最优化目标函数,构建问答匹配系统的动态规划模型。
3.根据权利要求2所述的问答系统的问答匹配方法,其特征在于,所述根据所述最优化目标函数,构建问答匹配系统的动态规划模型的步骤包括:
获取所述概念训练数据对应的状态转移方程;
根据所述最优化目标函数和所述状态转移方程,构建问答匹配系统的动态规划模型。
4.根据权利要求1所述的问答系统的问答匹配方法,其特征在于,所述确定所述概念关键词对应的最优概念序列的步骤包括:
获取所述概念关键词对应的发射概率;
根据所述发射概率,确定所述概念关键词对应的最优概念序列。
5.根据权利要求4所述的问答系统的问答匹配方法,其特征在于,所述根据所述发射概率,确定所述概念关键词对应的最优概念序列的步骤包括:
获取知识库中概念对应的序列转移概率;
根据所述发射概率及所述序列转移概率,确定所述概念关键词对应的最优概念序列。
6.根据权利要求5所述的问答系统的问答匹配方法,其特征在于,所述根据所述发射概率及所述序列转移概率,确定所述概念关键词对应的最优概念序列的步骤包括:
根据所述发射概率及所述序列转移概率,计算联合概率;
在所述联合概率取最大值时,得到的概念序列为最优概念序列。
7.根据权利要求1所述的问答系统的问答匹配方法,其特征在于,所述匹配所述最优概念序列与所述标准概念序列,得到所述用户问句对应的标准答案的步骤包括:
获取所述最优概念序列与所述标准概念序列的相似度;
根据所述相似度对所述标准概念序列进行排序,确定相似度最高的标准概念序列对应的答案为所述用户问句的标准答案,所述标准答案可存储于区块链中。
8.一种问答系统的问答匹配装置,其特征在于,包括:
提取模块,用于构建问答匹配系统的动态规划模型,在接收到用户问句时,基于所述动态规划模型提取所述用户问句的概念关键词;
确认模块,用于匹配所述概念关键词与知识库中存储的概念,确定所述概念关键词对应的最优概念序列;
匹配模块,用于获取在所述知识库中预先存储的标准概念序列,匹配所述最优概念序列与所述标准概念序列,得到所述用户问句对应的标准答案,所述标准答案可存储于区块链中。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的问答系统的问答匹配方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的问答系统的问答匹配方法的步骤。
CN202010364727.3A 2020-04-30 2020-04-30 问答系统的问答匹配方法、装置、计算机设备及存储介质 Pending CN111639164A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010364727.3A CN111639164A (zh) 2020-04-30 2020-04-30 问答系统的问答匹配方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010364727.3A CN111639164A (zh) 2020-04-30 2020-04-30 问答系统的问答匹配方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN111639164A true CN111639164A (zh) 2020-09-08

Family

ID=72328999

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010364727.3A Pending CN111639164A (zh) 2020-04-30 2020-04-30 问答系统的问答匹配方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN111639164A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112199958A (zh) * 2020-09-30 2021-01-08 平安科技(深圳)有限公司 概念词序列生成方法、装置、计算机设备及存储介质
CN113255351A (zh) * 2021-06-22 2021-08-13 中国平安财产保险股份有限公司 语句意图识别方法、装置、计算机设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112199958A (zh) * 2020-09-30 2021-01-08 平安科技(深圳)有限公司 概念词序列生成方法、装置、计算机设备及存储介质
CN113255351A (zh) * 2021-06-22 2021-08-13 中国平安财产保险股份有限公司 语句意图识别方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
CN112632278A (zh) 一种基于多标签分类的标注方法、装置、设备及存储介质
CN112328761A (zh) 一种意图标签设置方法、装置、计算机设备及存储介质
CN113821622B (zh) 基于人工智能的答案检索方法、装置、电子设备及介质
CN112633003A (zh) 一种地址识别方法、装置、计算机设备及存储介质
CN113220734A (zh) 课程推荐方法、装置、计算机设备及存储介质
CN111767375A (zh) 语义召回方法、装置、计算机设备及存储介质
CN111695338A (zh) 基于人工智能的面试内容精炼方法、装置、设备及介质
CN112836521A (zh) 问答匹配方法、装置、计算机设备及存储介质
CN112287069A (zh) 基于语音语义的信息检索方法、装置及计算机设备
CN114780746A (zh) 基于知识图谱的文档检索方法及其相关设备
CN112699213A (zh) 语音意图识别方法、装置、计算机设备及存储介质
CN113627797A (zh) 入职员工画像生成方法、装置、计算机设备及存储介质
CN112395391A (zh) 概念图谱构建方法、装置、计算机设备及存储介质
CN112446209A (zh) 一种意图标签的设置方法、设备、装置及存储介质
CN115438149A (zh) 一种端到端模型训练方法、装置、计算机设备及存储介质
CN112199954A (zh) 基于语音语义的疾病实体匹配方法、装置及计算机设备
CN111639164A (zh) 问答系统的问答匹配方法、装置、计算机设备及存储介质
CN115730597A (zh) 多级语义意图识别方法及其相关设备
CN113344125B (zh) 长文本匹配识别方法、装置、电子设备及存储介质
CN114780701A (zh) 自动问答匹配方法、装置、计算机设备及存储介质
CN113569118B (zh) 自媒体推送方法、装置、计算机设备及存储介质
CN113918704A (zh) 基于机器学习的问答方法、装置、电子设备及介质
CN113505595A (zh) 文本短语抽取方法、装置、计算机设备及存储介质
CN112417875B (zh) 配置信息的更新方法、装置、计算机设备及介质
CN110929526A (zh) 样本生成方法、装置以及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination